[发明专利]一种有噪声图像的聚类处理方法

说明书

公开一种有噪声图像的聚类处理方法，其能够使图像聚类更具有鲁棒性。该方法构造一种基于深度变分自编码器的子空间聚类模型DVAESC，该模型在变分自编码器模型VAE框架中引入描述数据概率分布的均值参数的自表示层，以有效学习到邻接矩阵进而进行谱聚类。

技术领域

本发明涉及计算机视觉和机器学习的技术领域，尤其涉及一种有噪声图像的聚类处理方法。

背景技术

近年来，信息技术得到了高速发展，人类获得的数据也日益增多，如何在这些海量的信息中获取真正有价值的数据成为人工智能的研究热点之一。聚类分析是一种无监督的方法，被广泛的应用到众多领域，其目标是将数据集中一定的特征或规则划分为多个不同的簇，并使同一簇间的样本相似性较大，而不同簇之间的样本相似性较小。

然而，在现实生活中，更多的是高维数据如图像、视频等，这些数据具有复杂的内部属性和结构，一般使用子空间聚类方法来处理这些高维数据的聚类问题。传统的子空间聚类方法通常是基于线性子空间的。

然而，现实生活中的数据不一定符合线性子空间结构。最近，Pan Ji等人提出深度子空间聚类网络(DSC-Net)，使用自编码器网络(AE)非线性地将输入样本映射到特征空间，特别地，在编码器和解码器之间引入自表示层，进而可通过一个神经网络直接学习到反映任意两个样本间相似度的邻接矩阵，最后利用谱聚类对样本进行聚类。DSC-Net已经展示了相对传统子空间聚类模型的优势。

自然图像通常是有噪声的，这势必在一定程度上影响聚类的准确性。近来，Kingma等提出了变分自编码器(VAE)，类似于传统的AE，VAE包含一个编码器和一个解码器，不同在于VAE的编码器旨在学习潜在变量的近似后验分布(以其与潜在变量的先验分布相似为正则化约束)，而解码器通过从潜在变量空间采样而生成与原始输入类似的样本。由于VAE是一个概率统计模型，因而对噪声更具鲁棒性。目前，VAE已被广泛用于图像处理相关领域。因此有理由相信，基于VAE框架的深度子空间聚类更利于数据聚类。

在VAE框架中，通常假设潜变量服从高斯分布，描述高斯分布的参数-均值和方差可直接通过概率编码器学习得到。其中，均值反映了数据的低频概貌信息。众所周知，对数据进行聚类分析后，类内的个体彼此接近或相似，而与其他类的个体相异。对于概率分布描述的样本，同类的样本均值是相同或相近的，不同类样本的均值差别会很大。

发明内容

为克服现有技术的缺陷，本发明要解决的技术问题是提供了一种有噪声图像的聚类处理方法，其能够使图像聚类更具有鲁棒性。

本发明的技术方案是：一种有噪声图像的聚类处理方法，该方法构造一种基于深度变分自编码器的子空间聚类模型DVAESC，该模型在变分自编码器模型VAE框架中引入描述数据概率分布的均值参数的自表示层，以有效学习到邻接矩阵进而进行谱聚类。

本发明构造一种基于深度变分自编码器的子空间聚类模型DVAESC，该模型在变分自编码器模型VAE框架中引入描述数据概率分布的均值参数的自表示层，以有效学习到邻接矩阵进而进行谱聚类，提升了聚类准确性，所以对于存在噪声的自然数据更具有鲁棒性。

附图说明

图1示出了根据本发明的基于深度变分自编码器的子空间聚类模型。

图2是ORL库添加不同噪声的聚类结果示意图。

具体实施方式

这种有噪声图像的聚类处理方法，构造一种基于深度变分自编码器的子空间聚类模型DVAESC，该模型在变分自编码器模型VAE框架中引入描述数据概率分布的均值参数的自表示层，以有效学习到邻接矩阵进而进行谱聚类。